Prediksi harga rumah Jabodetabek menggunakan machine learning dengan fitur geospasial dan perspektif pengembang properti

Muhammad Alif Ramadhan Ramadhan (a:1:{s:5:"en_US"s:35:"Universitas Singaperbangsa Karawang"})
Maria Bestarina Laili Laili
Shafa Aura Ayu Ramadhan

Jurnal Elkolind : Jurnal Elektronika dan Otomasi Industri
Vol. 13 No. 2 (2026): Jurnal Elkolind Vol. 13, No. 2, 2026 (Juli 2026)

Penetapan harga rumah di kawasan Jabodetabek masih bergantung pada penilaian manual yang subjektif sehingga menimbulkan ketimpangan informasi antara penjual dan pembeli. Penelitian ini membandingkan empat algoritma pembelajaran mesin, yaitu regresi linear, hutan acak, peningkatan gradien berbasis histogram, dan ansambel bertumpuk, untuk memprediksi harga rumah berdasarkan 3.508 data listing dari sembilan kota dan kabupaten. Kontribusi utama penelitian adalah perancangan fitur dari perspektif pengembang properti, meliputi rasio koefisien dasar bangunan, kepastian legal sertifikat, tingkat daya listrik, skor fasilitas premium, dan indikator kawasan bermerek, yang dipadukan dengan fitur geospasial berupa jarak ke pusat ekonomi. Dua skenario fitur diuji untuk mengukur kontribusi fitur tersebut. Model peningkatan gradien menghasilkan kinerja terbaik dengan koefisien determinasi sebesar 0,929 dan galat persentase absolut rata-rata sebesar 18,84 persen. Penambahan fitur geospasial dan perspektif pengembang terbukti meningkatkan akurasi prediksi secara konsisten dan signifikan.